异常脑电信号的序域识别

本文采用一种新的快速有效的尖棘波识别方法——序域识别法.它通过FWT 变换把脑电信号从时域变换到序域,提取信号的序域功率谱特征并利用树分类器对尖棘波进行识别,有效识别率为85.5%.     

脑电信号的频谱分析与模式识别

本文应用谱估计理论和 Fuzzy 模式识别理论建立了 EEG(脑电图)信号的Fuzzy 模式识别系统,借助计算机对 EEG 信号进行了自动分析诊断。该系统主要完成了以下工作:1)采集模拟信号并转换成数字信号;2)采用分段平均法及加窗处理,计算功率谱;3)利用上述结果确定特怔参量并建立了 Fuzzy 子集的隶属函数;4)采用最大隶属原则对 EEG 信号进行识别。该方法把随机性与模糊性联系起来,使得 Fuzzy数学理论在生物医学信号处理方面得到了进一步的应用。并经临床验证取得了较好的效果。     

脑电信号的自适应分段和分类存档

描述了以自相关函数为基础的脑电信号的自适应分段和分类存档,并首次提出了精确段界的确定法－最小差别判决法,实验证明了该方法是十分有效的。我们用它实现了８通道脑电信号的分类存档。     

通信信号的分选与识别

本文提出了通信信号分选的识别方法，对分选的方案进行了论证，利用预处理与主处理相结合的方法来分选通信信号，尤其在进行调制分类时，提出特征提取和识模器，为了提高速度速度，采取维数缩压和线性识模器。     

基于线性判别分析的表面肌电信号特征识别

通过虚拟仪器同时采集桡侧腕屈肌和肱桡肌两路表面肌电信号,取其平均绝对值(MAV)和均方根(RMS)作为特征参数,并应用线性判别分析(LDA)方法对采集的样本进行模式识别。与其它特征识别方式的实验对比表明,所提的识别方法能够成功地从表面肌电信号中识别握拳、展拳、手腕内翻和手腕外翻4种动作,且动作识别精度更高。     

基于脑电信号特征的驾驶疲劳检测方法研究

目前,疲劳驾驶已成为一种严重的社会问题,然而对于疲劳驾驶的检测与预防仍缺乏有效的技术手段.采用疲劳驾驶模拟实验、结合对象辨别实验和对被试面部表情变化分析,探索了脑电信号特征与驾驶疲劳状态间的相关性.提取脑电信号的δ波、θ波、α波、β波四种脑电节律的能量值作为疲劳驾驶的特征值,采用δ波能量值与θ波能量值之和与β波能量值的比值作为疲劳指数.结果显示,疲劳指数与被试疲劳程度呈正相关,验证了利用脑电信号检测疲劳程度的合理性与客观性,为疲劳检测提供了新的思路.     

堆叠稀疏降噪自编码的脑电信号识别

该文以深度学习中的自动编码机为基础,对原始输入向量加入噪声处理,隐含层加入稀疏限制,再将单一的网络结构堆叠成深层神经网络,提出改进算法——堆叠稀疏降噪自动编码机。通过在两个不同数据集（实验室采集数据集和2005年BCI竞赛数据集IVa）进行对比实验,结果表明该算法在运动想象脑电信号的特征提取上具有更强的学习能力和鲁棒性。     

基于脑电信号空域特征的紧急制动行为识别

基于脑电信号对紧急制动行为的分类识别和预测,是开发以人为中心的智能辅助驾驶系统的关键问题。为实现对驾驶过程中紧急制动和正常驾驶行为的分类识别,提出了基于PLV的特征表示方法来构建功能性脑网络,结合对网络特征参数的统计分析,确定显著性差异的特征参数,以及通过对数欧式距离提取脑电信号空域特征,并结合机器学习算法完成对紧急制动和正常驾驶行为的分类识别。实验结果表明,针对17名被试的紧急制动和正常驾驶的分类准确率均高于84%,最高准确率达到95.7%;对功能性脑网络的分析结果表明,在两种驾驶行为过程中,脑区间的交互都涉及全脑区,且在紧急制动过程中,脑区间的交互主要出现在额-中央-颞叶区,这与紧急制动下大脑更专注于判断决策相符。研究结果对理解驾驶过程中,尤其是紧急制动过程中驾驶员对应脑区间的依赖关系,以及开发智能辅助驾驶系统在驾驶过程中提前识别紧急制动意图具有一定的参考价值。     

基于神经网络的模式识别与信息处理

通过一个神经网络实例验证了人工神经网络的并行运算能力,并证明了模式识别与信号处理等方面,可以实现难以用数字技术处理的最优算法。给出了一个有容错能力的神经网络实例。     

动态载荷识别及其进展

文章介绍了动态载荷识别的各种方法,包括频域法、时域法和基于现代信号处理和模式识别的几种方法,分析了各种动态载荷识别的特点,指出了各种方法在实际工程载荷识别中存在的问题。     

基于高斯核函数支持向量机的脑电信号时频特征情感多类识别

为了找到一种综合分析方法,提高对脑电信号情感多分类识别的分类精确度,将DEAP数据库中的脑电数据采用经验模态分解的方法分解为多个本征模函数,并对本征模函数按不同的时长窗口进行分片,提取其功率谱密度作为脑电信号特征.将被试对音乐视频的情感评价指数用于生成情感分类标签,按"唤醒度"和"效价"2个维度将评价指数映射到二维情感模型中,分成4类.采用"一对一"的高斯核函数支持向量机对脑电特征进行多分类分析.实验结果表明:高斯核函数支持向量机的最高分类准确度达到90.9%(22号被试),平均分类准确度达到68.3%.高斯核函数支持向量机能有效地从脑电信号中识别出不同的情感状态;同时,对于相同刺激,不同的被试产生的情感状态不同;并且,在清醒状态下,脑电信号的高频子波对情感分类有更高的分类精确度.     

基于半监督学习的脑电信号特征提取及识别

针对有监督学习容易造成未标记样本的浪费和手动特征提取容易导致信息丢失的问题,提出一种基于深层堆叠网络（DSN）的半监督特征学习方法,无监督特征学习的过程由多个受限玻尔兹曼机（RBM）的并行训练完成,将训练得到的参数用于DSN的输入权值初始化,再采用批量模式的梯度下降法进行监督微调。将所提方法用于运动想象脑电信号特征提取及识别,实验结果表明本文方法能够充分利用未标记样本中的隐含信息,有效提取脑电信号特征,识别结果优于共同空间模式（CSP）和深度信念网络（DBN）等算法,该方法可用于提高BCI系统中脑电信号的识别准确率。     

基于卷积神经网络的脑电信号上肢运动意图识别

为了在脑机交互中能够对运动意图进行识别,使设备能够预判人的行为动作并提前作出反应,脑电(EEG)信号运用学习过程去解码,并建立识别机制.针对传统生物信号模式识别模型中手动提取特征可能会产生信息损失的问题,引入深度学习的卷积神经网络(CNN),并和目前广泛使用的两种特征提取方法使用BP神经网络分类进行对比.结果显示,CNN在左、右手2分类动作和单手3分类动作中,提高识别精度分别约为4%和8%,增加了动作预测的可靠性.通过对上肢运动意图识别的讨论,可以更好地进行脑机交互控制,并加深对中枢神经信号与手部动作关系的理解.     

改进频率切片小波变换和卷积神经网络的手势肌电信号识别

为了提高肌电信号手势动作识别准确率,基于数据驱动提出结合改进频率小波切片变换和卷积神经网络的肌电手势识别方法。利用滑动窗对8通道肌电信号进行分割,通过改进频率小波切片变换将信号映射为时间-频率谱图,处理后的谱图输入一个18层卷积神经网络进行手势识别。采用133 000个肌电样本数据随机等分进行实验验证,7种手势动作的平均准确率达到97.94%,准确率在不同环境温度和电极测量位置(±1 cm)下无明显降低,提出方法手势识别准确率高、鲁棒性好。     

基于共空间模式的运动想象脑电信号识别研究

脑-机接口技术领域的关键问题是脑电信号的分类识别研究.本文针对脑电信号的分类问题,基于EGI-64导脑电采集系统得到7名被试者的左右手运动想象脑电数据,首先采用扩展Infomax-ICA方法对脑电数据进行去噪处理;然后利用共空间模式方法对C3/C42个电极的脑电信号进行特征提取;最后比较了Fisher线性判别分析法、贝叶斯方法、径向神经网络和BP神经网络几种算法的平均分类率.结果表明:神经网络分类方法得到的平均分类率要高于其他2种方法,而BP神经网络方法的平均分类率最高,可以达到95.36%,但另外3种方法的运行速度明显高于BP神经网络.该结果为实时BCI系统实施提供了一定依据.     

融合语音信号和脑电信号的多模态情感识别

为构造有效的情感识别系统,通过声音刺激分别诱发出高兴、悲伤、生气以及中性4种情感,并采集相应的语音信号和脑电信号。首先,利用相空间重构技术提取脑电信号和语音信号的非线性几何特征和非线性属性特征,并结合两者的基本特征分别实现情感识别;然后,通过构建基于限制玻尔兹曼机的特征融合算法,从特征层融合的角度实现多模态情感识别;最后,利用二次决策算法从决策融合的角度构建多模态情感识别系统。实验结果显示,从特征融合的角度构建的多模态情感识别系统相比语音信号和脑电信号情感整体识别率,分别提高1.08%和2.75%;从决策融合的角度构建的多模态情感识别系统相比语音信号和脑电信号情感整体识别率,分别提高6.52%和8.19%;决策融合相比特征融合构建的多模态情感识别系统整体识别效果更优。因此,融合语音信号和脑电信号等不同来源的情感数据可以构造出更有效的情感识别系统。     

基于卷积神经网络的多类运动想象脑电信号识别

针对传统多类运动想象（MI）脑电信号的识别方法须进行繁琐的预处理以及特征提取问题,提出基于深度学习的MI信号自动分类方法.在样本表示方面,提出将多通道脑电（EEG）信号转化为一维序列信号处理,在增加样本数量的同时又能够忽略与通道位置相关的空间信息的影响;根据输入信号的特点,采用多层一维卷积神经网络学习不同运动想象状态时脑电信号中的时频信息,自动完成特征提取和分类工作. 将所提出的方法在公共数据集上与多种方法进行比较,并完成对实际采集数据集的分类. 利用所提方法在不需要先验知识的条件下,对脑电信号进行端到端的学习. 结果表明该方法可以获得更高的多分类准确率以及降低个体差异对分类的影响. 所提出的方法有利于促进基于MI 的脑机接口系统的开发.     

噪音环境下声音诱发脑电信号的说话人识别

环境噪音与说话人识别息息相关,文章主要研究环境噪音对说话人识别的影响。首先,在孪生神经网络的卷积层中添加注意力层,对说话人相关的特征赋予更大的权重,从而减小环境噪音带来的影响;其次,将说话人音频和不同类型噪音音频融合成双轨音频,设置成不同的信噪比,记录被试的脑电信号,探究不同类型噪音和不同信噪比环境对说话人识别性能的影响。研究发现,在流水声噪音和人声噪音下,随着信噪比的降低,说话人识别准确率均下降,且人声噪音的影响力更大;使用注意力机制改进孪生神经网络后,噪音环境下的说话人识别准确率得到显著提高,Delta频段下的识别准确率提高了7%～12%,High Gamma频段下的识别准确率提高了5%～11%。     

基于脑电信号预发作数据段选取的癫痫发作预测

为了提高癫痫发作预测的准确性,提出针对病患个体进行癫痫发作预测的算法,包括特征提取、预发作数据段选取、特征挑选与导联挑选. 算法采用半重叠的2 s窗对每个导联分别提取时频特征和空域特征. 从发作前期选择与发作间期相比具有最大线性可分性的连续10 min数据作为预发作数据段的有效正样本. 算法通过弹性网进行特征挑选,再基于所选特征通过贪婪算法选择有效导联,将有效导联的有效特征输入到分类器中. 将该算法在MIT公共头皮脑电数据库和宣武医院收集的数据集上进行测试,测试结果为：在MIT数据库上的击中率为95.76%,假阳性率为0.1073 h^?1;在宣武医院数据集上的击中率为97.80%,假阳性率为0.0453 h^?1. 结果表明,该算法具有较高的击中率和较低的假阳性率.     

基于多维模式分析对说谎的脑网络特征识别

为了研究说谎时的脑网络特征,采集了32个被试在说真话和说谎条件下的功能磁共振数据,预处理后利用AAL模板构建不同条件下的功能连接网络,再利用基于机器学习的多维模式分类器对说谎和说真话进行分类。该分类器取得了良好的分类正确率82.03%(说谎84.38%,说真话79.69%),并提取了辨别说谎和说真话的有效的功能连接模式。结果表明了使用大尺度的功能连接对说谎和说真话进行分类的良好性能,并且从脑网络角度揭示了说谎的特征。